<rp id="o3inc"></rp>
    1. <rp id="o3inc"><ruby id="o3inc"><input id="o3inc"></input></ruby></rp>
      <dd id="o3inc"><pre id="o3inc"></pre></dd><progress id="o3inc"></progress>

      1. <dd id="o3inc"></dd>

        蘇州醫工所楊曉冬課題組在乳腺磁共振成像(MRI)的病灶良惡性診斷技術中取得重要進展

        作者:鄭健 時間:2020-08-31

          乳腺癌是女性癌癥中發病率和死亡率都穩居首位的惡性腫瘤。早期診斷和及時治療有利于改善患者的預后。在常用的影像學篩查手段中,磁共振成像(MRI)具有無創無輻射、多病灶敏感、信息豐富及不受乳腺密度影響等優點。不同序列的MRI能從不同的角度提供多維度的豐富信息,進而讓醫生能更準確地診斷。通常在不同序列中,對應參數圖的強度數值和病灶的發生、發展以及轉移均息息相關。如動態增強序列(DCE-MRI)中,其參數圖Ktrans的數值代表病灶從血管中吸收造影劑的速率,進而反應病灶內的血供信息。血供越豐富即反映出腫瘤細胞生長旺盛,其惡性程度也隨之增加。

          近期,蘇州醫工所楊曉冬課題組與蘇州大學附屬第二醫院放射科合作,針對多序列MRI數據開發基于影像組學的乳腺病灶良惡性分類算法。該算法結合三個序列及其對應參數圖(T2WI, DWI序列在擴散峰度模型下計算所得的DKI參數圖DCE-MRI藥代動力學參數圖)的特征構建分類模型,以期將不同序列的互補信息利用起來提升模型分類性能。病灶區域由多位影像醫生勾畫(如圖1所示),并在此基礎上對多序列的MRI圖像及參數圖提取高維特征,通過特征篩選和分類器訓練,構建出具有較好分類性能的無創輔助診斷算法模型。其模型最優分類性能為AUC值為0.921、準確率為0.833、敏感性為0.750以及特異性為0.950(如表1所示).與傳統研究方法只利用各序列參數圖的強度值信息不同,該課題組將不同序列MRI的參數圖視作獨立圖像提取高維特征構建模型(如圖2所示)。實驗結果證實除一階強度信息外,各序列參數圖中的高維信息對模型構建也貢獻巨大。特別是基于DCE-MRI的藥代動力學參數圖的高維特征對分類模型貢獻較大(藥代動力學參數圖高維特征占最優模型總特征數的63%,17/27)。

          該研究成果“Radiomics Based on Multimodal MRI for the Differential Diagnosis of Benign and Malignant Breast Lesions”為題發表于Journal of Magnetic Resonance Imaging雜志(2020),其中張茜和彭云松并列第一作者。本項目受蘇州大學附屬第二醫院臨床優勢學科群項目(XKQ2015008)的經費支持。

          論文鏈接:https://onlinelibrary.wiley.com/doi/10.1002/jmri.27098 

         

          1 病灶區域勾畫。a.T1WI圖像第八個增強后數據中的病灶勾畫;b.Ktrans參數圖上的病灶勾畫;c.DWI圖像上的病灶勾畫;d.峰度圖(DWI序列計算獲得)上的病灶勾畫。 

         

          2 良性病灶實例。a.Ktrans參數圖;b.Kep參數圖(DCE序列計算獲得)c.Vp參數圖(DCE序列計算獲得);d.DCE8個增強后圖像;e.擴散系數圖(DWI序列計算獲得)f.峰度圖(DWI序列計算獲得);g.T2WI圖像;h.病灶對應病理切片圖像。 

          1 不同序列組合構建模型的性能對比 

         

        附件下載:
        真钱三公棋牌